本文共 581 字，大约阅读时间需要 1 分钟。

支持向量机（SVM）最初是为解决二值分类问题设计的。但在面对多分类问题时，需要构建合适的多类分类器。目前，构建SVM多类分类器的方法主要有两种：直接法和间接法。

直接法的思路是在目标函数中直接修改，通过一次求解将多个分类面参数合并到一个最优化问题中。这种方法计算复杂度高，实用性有限，通常仅适用于小型问题。间接法则通过组合多个二分类器来实现多分类，常见的方法包括one-against-one和one-against-all。

a. 一对多法（one-versus-rest, 1-v-r SVMs）。训练时将一类样本归为一组，其他样本归为另一组，这样k个类别需要训练k个SVM。分类时，未知样本的得票最高的类别即为预测结果。

b. 一对一法（one-versus-one, 1-v-1 SVMs）。在每对两类样本之间训练一个SVM，k类别需要训练k(k-1)/2个SVM。分类时，未知样本根据SVM得票最高的类别分类。Libsvm中的多类分类主要采用此方法。

c. 层次支持向量机（H-SVMs）。将所有类别分层分类，逐步细分为子类，直到得到单个类别。具体方法可参考《支持向量机在多类分类问题中的推广》（计算机工程与应用。2004）。

d. 其他多类分类方法。除了上述方法外，还包括有向无环图SVM（DAG-SVMs）和对类别进行二进制编码的纠错编码SVMs。